r - 根据 dplyr 中多个数据帧中的值将列添加到数据帧

Question

我有一个数据框 target包含列 SNP和 value :

target <- data.frame("SNP" = c("rs2", "rs4", "rs6", "rs19", "rs8", "rs9"),
                     "value" = 1:6)

我还有 3 个包含列 SNP 的其他数据框和 int作为一个列表:

ref1 <- data.frame("SNP" = c("rs1", "rs2", "rs8"), "int" = c(5, 7, 88))
ref2 <- data.frame("SNP" = c("rs9", "rs4", "rs3"), "int" = c(23, 4, 43))
ref3 <- data.frame("SNP" = c("rs10", "rs6", "rs5"), "int" = c(53, 22, 76))
mylist <- list(ref1, ref2, ref3)

我想添加一个新列 int对于 target其值对应于 int具有相同 SNP 的 ref1/2/3 的值.例如，第一个 int target 的值应该是 7，因为 ref1 的第 2 行有 SNP rs2 和 int 7。

我尝试了以下代码:

for (i in 1:3) {
    target <- target %>%
                left_join(mylist[[i]], by = "SNP")
}

匹配迅速而成功。但是，我返回了 3 个新列而不是 1 个，如下所示:


然后我使用了以下代码:

target[, "ref"] <- NA
for (i in 1:3) {
    common <- Reduce(intersect, list(target$SNP, mylist[[i]]$SNP))

    tar.pos <- match(common, target$SNP)
    ref.pos <- match(common, mylist[[i]]$SNP)

    target$ref[tar.pos] <- mylist[[i]]$int[ref.pos]
}

在我的真实数据中，我有 22 个引用数据帧，每个数据帧有 1-6 百万行。我宁愿通过 ref 进行匹配和加入 ref，而不是将所有 ref 合并到一个大数据中。当我在我的真实数据上尝试上面的第二种方法时，我注意到 match功能工作非常缓慢。这就是为什么我更喜欢一些聪明的工作方式。我发现 left_join 即使对于我的大数据也工作得非常快。不幸的是，输出并不是我想要的。

我希望以快速的方式完成上述工作，最好是在 tidyverse 中。关于如何修改第一种编码方法或任何其他更聪明的方法有什么建议吗？

Answer 1

如果绑定(bind)mylist中的所有数据并合并到 target占用内存太多，可以使用purrr::reduce一一合并。

library(tidyverse)

reduce(mylist,
       ~ left_join(.x, .y, by = "SNP") %>%
         mutate(int = coalesce(int.x, int.y)) %>%
         select(-c(int.x, int.y)),
       .init = mutate(target, int = NA_real_))

#    SNP value int
# 1  rs2     1   7
# 2  rs4     2   4
# 3  rs6     3  22
# 4 rs19     4  NA
# 5  rs8     5  88
# 6  rs9     6  23